50735人阅读
机器学习 斯坦福大学 公开课 Andrew Ng
近日，在网易公开课视频网站上看完了《机器学习》课程视频，现做个学后感，也叫观后感吧。&
从日星期五开始，在网易公开课视频网站上，观看由斯坦福大学Andrew Ng教授主讲的计算机系课程（编号CS229）《机器学习》（网址）（注：最早是在新浪公开课上发现的这门课，看了前几集没有字幕的视频。后来经由技术群网友的指引才找到网易，看到了全部翻译完的视频）。我基本上每天看1-2集，不熟悉的内容会在第二天复习一遍。到日全部视频看完，前后用了23天，中间有几天有事或者脑子不在状态就没看。全部看完之后，又找自己感兴趣的重看，我翻看了第11集的内容，“对开发机器学习应用的建议”，老师根据自己的实际项目经验提出了很好的建议，对我们的实战有很大的帮助。&
课程设置和内容
视频课程分为20集，每集72-85分钟。实体课程大概一周2次，中间还穿插助教上的习题课，大概一个学期的课程。&
内容涉及四大部分，分别是：监督学习（2-8集）、学习理论（9集-11集）、无监督学习（12-15集）、强化学习（16-20集）。监督学习和无监督学习，基本上是机器学习的二分法；强化学习位于两者之间；而学习理论则从总体上介绍了如何选择、使用机器学习来解决实际问题，以及调试（比如：误差分析、销蚀分析）、调优（比如：模型选择、特征选择）的各种方法和要注意的事项（比如，避免过早优化）。&
监督学习，介绍了回归、朴素贝叶斯、神经网络、SVM（支持向量机）、SMO（顺序最小优化）算法等；无监督学习讲了聚类、K-means、GMM（混合高斯模型）、EM算法 、PCA（主成分分析）、LSI（潜在语义索引）、SVD（奇异值分解）、ICA（独立成分分析）等；强化学习主要讲了这类连续决策学习（马尔科夫决策过程，MDP）中的值迭代（VI）和策略迭代（PI），以及如何定义回报函数，如何找到最佳策略等问题。&
网上有老师的讲义，可以在网易这门课的主页面上打包下载（网址）。老师基本上是写板书的，PPT是辅助。在黑板上用粉笔边讲解边书写，有助于带动学生的思考，使师生之间有交流有互动。个人以为，比直接显示PPT效果好。数学公式的推导很费时间，课堂上也不可能大多数的时间用来推导公式，所以大量的推导老师要求学生在课下看讲义，或者通过习题课听助教讲解。&
因为是美国的课堂，当然的教学语言是英语。网易做的不错，除了把老师说的话全部转写下来，还做了中文翻译，前14集翻译得不错，除了偶有错别字之外，专业术语翻译的很好，语句也很流畅。第15集以后一直到最后一堂课，翻译的不是太准确，一些专业术语都翻译错了，很让观者感到不适。但是，无论如何，还是感谢网易这些转写和翻译的无名网友无私的付出。这些小的瑕疵不会让真正热爱这门课程的学习者放弃学习，反而想加入翻译者的队伍，为传播科学知识而贡献力量呢。&
总体感觉，老师讲的不错，是个真正懂机器学习的人。老师在课上也说过，很容易区分那些真正懂机器学习的人，和那些只会纸上谈兵的人。我希望成为第一类，并为此努力着。&
老师是华裔，中文名字叫吴恩达，生于伦敦，看上去很亲切。课堂很活跃，老师注重和学生交流，每讲完一个主题，会问学生有问题吗，然后一一作答。&
视频大概录制于2007年（个人推测，未经考证），内容上，与现在的机器学习技术比，稍微显得不够多。近年来，机器学习领域有了长足的发展，学术界和工业界齐发力，二者相互促进，达到了前所未有的高度。即便是曾经沉寂的神经网络，近年来也改头换面成了深度学习。不过，从专家的角度看，这不是一种新的机器学习技术，它只是涉及到其中的一个环节——特征选择，并不构成一个独立的学习方法。&
老师没有涉及实战。受限于课堂讲授的方式和时间上的限制，课上只能做必要知识点的讲解。&
数学公式比较多，似懂非懂的。如果不满足于“知其然”，还要“知其所以然”，以后的方向是搞模型、算法研究的话，那还要补习一下数学知识，必须的。如果仅是为了解决实际问题，对算法要求不高的话，那知道如何运用就够了。剩下的，随着应用系统的不断进展，对整个系统各方面要求的提高，那时会倒逼你进阶的。&
遗憾的是，因为没有完全掌握，所以再回看已经看过的视频，还是似懂非懂，但是比第一次要好很多。建议大家多看几遍，加强练习，跟自己的项目相结合，动手实现会加深理解。“精通的目的全在于应用”（毛语），机器学习只是工具，应用到解决实际问题上才能真正体现它的价值。&
跟这个课程最接近的，是加州理工学院的《机器学习与数据挖掘》（18集）（网址），主讲老师有口音，很重，如果没有中文字幕的帮助，很难快速掌握。目前网易的进展是，翻译完了前4集。&
顺便说一句，以后想练专业口语的话，可以多看Andrew Ng这个，跟着说，以后在国际会议上就能充分表达了。听加州理工的这个，也能听懂那些非英语母语国家讲的英语了。不同的地方有不同的英语口音，我们还不算难听的，应该算是好听的，呵呵。&
又及，自己心里暗想，土鳖也能“准”“海归”一回。网络带来了革命，网络也给我们这些爱学习的人带来了真正“免费的午餐”。其实，话说回来，就像免费的搜索引擎一样，他们收获的是更大的名声上的胜利，扩大了影响，传播了美誉。像耶鲁大学的一个教授的一句玩笑话，其目的是争取“世界学术霸权”。&
Andrew Ng教授的《机器学习》公开课视频（30集）
Andrew Ng教授的Deep Learning维基，有中文翻译
其他教学资源
韩家炜教授在北大的《数据挖掘》暑期班视频，英文PPT，中文讲解（22集）
（视频：01数据挖掘概念，课程简介，数据库技术发展史，数据挖掘应用）&
韩家炜教授（UIUC大学）的《数据挖掘》在线课程
卡内基o梅隆大学（CMU）的《机器学习》在线课程
麻省理工学院（MIT）的《机器学习》在线课程
加州理工学院（Caltech）的《机器学习与数据挖掘》在线课程
（同上述网易公开课）
UC Irvine的《机器学习与数据挖掘》在线课程
斯坦福大学的《数据挖掘》在线课程
北京机器学习读书会
机器学习相关电子书
（打开artificial intelligence找子目录machine learning）
主讲教师介绍：（新浪公开课：机器学习）&
讲师：Andrew Ng&
学校：斯坦福&
斯坦福大学计算机系副教授，人工智能实验室主任，致力于人工智能、机器学习，神经信息科学以及机器人学等研究方向。他和他的学生成功开发出新的机器视觉算法，大大简化了机器人的传感器系统。
原文网址：& &谢谢作者！
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：200750次
排名：千里之外
评论：30条
(3)(1)(3)(1)(2)机器学习 深度学习（3）
深度学习 机器学习（1）
在当下的机器学习热潮，人才匮乏十分显著。截至目前，国内开设人工智能（AI）专业的高校不多，相当多的开发者是跨界入门，需要自学大量知识并摸索。因而优质的学习资源至关重要。因此，雷锋网搜集了全世界范围内最受欢迎的机器学习课程，整理成这份“机器学习十大入门公开课”盘点，集中呈现给各位。这份推荐榜颇费心血，综合考虑了难易、侧重点、时效性等诸多因素，希望能帮助大家找到最适合自己的学习资源。
这些课程全部免费开放，但有些需翻墙，有的缺少中文字幕。
1. 吴恩达“机器学习”公开课
课程名称：机器学习 Machine Learning
主讲人：吴恩达 Andrew Ng
授课机构：斯坦福大学
发布平台：Coursera
语言：英语，汉语字幕
网址：https://www.coursera.org/learn/machine-learning
无论国内国外，这是最火的机器学习入门课程，没有之一。无数新手都是通过这门课对机器学习初窥门径。吴恩达老师用极其清楚直白的语言，对机器学习的几种主要算法做了初步介绍。
这门课最大的特点，是它侧重于概念理解而不是数学。数学推导过程基本被略过，重点放在让初学者理解这背后的思路。另外，它还十分重视联系实际和经验总结：1. 课程中吴恩达老师列举了许多算法实际应用的例子 2. 他提到当年他们入门 AI 时面临的许多问题，以及处理这些难题的经验。
课程中代码教程使用的是&Octave/MATLAB，因此不需要会 Python、C 语言，适合没有编程基础的新手。
总结起来，这门课对数学、统计、IT 基础薄弱的童鞋十分友好。其实很多机器学习入门课，都是假定学生已修完这一门，于是重点对其进行补充——讲解这门课程中吴恩达老师未涉及、或是涉及不深的话题。因此，对于机器学习 “一张白纸”的童鞋，雷锋网强烈推荐从这门课起步，然后选择其他入门课程进阶，以在脑海中建立起更全面的知识体系。另外，Coursera 上这门课的论坛十分活跃，不管抛出什么问题都会有人解答，算是一个额外的好处。
彩蛋：网易公开课上有吴恩达老师在斯坦福授课的实录视频。内容比较深入，但时间比较久了，可作为进阶姊妹篇。地址：/special/opencourse/machinelearning.html
2. 加州理工 “从数据中学习”
课程名称：Learning from Data，网易公开课译名为“加州理工学院公开课：机器学习与数据挖掘”
主讲人：Yaser Abu-Mostafa
授课机构：加州理工学院
发布平台：edX（原版），网易公开课
语言：英语，网易有汉语字幕
网址： https://www.edx.org/course/caltechx/caltechx-cs1156x-learning-data-2516，edX；
/special/opencourse/learningfromdata.html，网易。
这同样是一门机器学习的入门课，但并不简单。该课程强调数据，是因为机器学习与各领域的大数据处理应用（比如金融、医疗）联系十分紧密。这门课内容涵盖基础理论、算法和应用，平衡了理论与实践，既覆盖数学统计，也包含启发式的概念理解。
课程结构是这样的：
什么是学习？
机器能学习吗？
怎么做到？
怎么做好？
经验教训。
不少人评论该课程结构就像讲故事，它有助于学习者形成对机器学习概念和模型深度、直觉性的理解。学习者公认它内容非常充实，但对作业模块的争议很大：有人认为难度偏高并且缺乏反馈，有人认为它是网上能找到的、最好的机器学习练习。
彩蛋：Yaser Abu-Mostafa 出版了同名著作 《Learning From Data》，可作为该课程的教材和补充。
3. Tom Mitchell 机器学习课程
课程名称：机器学习 Machine Learning
主讲人：Tom Mitchell
授课机构：卡内基梅隆大学（CMU）
发布平台：CMU 官网
语言：英语
网址：http://www.cs.cmu.edu/~tom/10701_sp11/
这门课是学界人士的最爱，是入门课程之中较全面、高阶的一门。课时为 15 周，远超大多数机器学习慕课。其覆盖的话题非常广，按先后次序包括：代数和概率论，机器学习的基础工具，概率图模型，AI，神经网络，主动学习，增强学习。课程内容和练习十分简洁明白，概念解释清楚到位。
Tom Mitchell 是 AI 领域德高望重的老牌宗师，他的《Machine Learning》 （中文版为《计算机科学丛书:机器学习》），是最经典的机器学习教科书之一。但因为时间久远，涉及的一些概念与今天的开发者并没有太大关联，更适合需要了解人工智能来龙去脉的大学师生。这门课程与之类似，能帮助学习者理清机器学习的发展脉络。它适合计划进行系统性学习、投入大量时间的人。
对于初学者，建议至少听完吴恩达的机器学习课程之后，再修这一门。
4. 台大林轩田老师的機器學習基石
课程名称：機器學習基石
主讲人：林轩田
授课机构：台湾大学
发布平台：Coursera
语言：汉语
这是为汉语学子量身定做的入门课，相当于台湾大学机器学习课程前半学期的课，教给大家的是机器学习最核心的知识。林老师是教科书《Learning From Data》 的作者之一，是华人机器学习领域年轻有为的青年学者。这门课程十分用心细致，内容比吴恩达老师的入门课程稍稍充实一些。
林老师表示，针对顶级机器学习公开课全是英语授课的现状，不少学生反映英语教学有不易吸收之处。因此，借推出这门课程，希望帮助汉语为母语的学生减少入门难度。
针对如何让学生接受枯燥的算法，林老师说道：
“我们的课程设计中，大家会看到我们把对算法与数学式的推导，以‘解决问题’的过程方式呈现。也就是说，我们对算法的介绍是环绕着‘为什么’出发的，当同学们脑中有‘为什么’的时候，就有目标去理解这些算法与数学式的内容了。”
《Learning From Data》 也可作为这门课的教科书。学习 Yaser Abu-Mostafa 的课程有不解之处，可与这门课互相印证。
目前该课程已在 Coursera 下架，何时重开尚属未知。好在网易公开课、Youtube 倒是有全套视频，地址是：http://c./coursera/courseIntro.htm?cid=938 以及 /playlist?list=PLXVfgk9fNX2I7tB6oIINGBmW50rrmFTqf。更多课程资料可从台大官网找到（网页为英语）http://www.csie.ntu.edu.tw/~htlin/mooc/。
彩蛋：台大 2015 年机器学习课程的大纲以及学习资料（PPT）：https://www.csie.ntu.edu.tw/~htlin/course/ml15fall/，可作为补充。顺便提一句，林老师把台大后半学期的课程开成另一门 Coursera 课程“机器学习技巧”，作为进阶。目前 Coursera 也已撤下。网易公开课地址为 http://c./coursera/courseIntro.htm?cid=1664。
5. 谷歌人工智能入门
课程名称：人工智能入门 &Intro to Artificial Intelligence
主讲人：Peter Norvig，Sebastian Thrun
授课机构：谷歌
发布平台：优达学城 Udacity
语言：英语，汉语字幕
网址：/course/intro-to-artificial-intelligence--cs271
该课程久享盛名，是 AI 入门最好的公开课之一（雷锋网注：有人认为可以去掉“之一”）。
严格来说，它并不是一门机器学习课程。但其中有一周的主题是机器学习，它还介绍了另外几个 AI 主要领域：概率推理、信息检索、机器人学、自然语言处理等。鉴于学习机器学习的童鞋，几乎都会对 AI 这个大学科有兴趣——这门课程便是探索机器学习周边与交叉领域的绝好机会。
两位主讲者，Peter Norvig 和 Sebastian Thrun，一个是谷歌研究总监，一个是斯坦福著名机器学习教授，均是与吴恩达、Yann Lecun 同级别的顶级 AI 专家。
需要强调的是，该课程倾向于介绍 AI 的实际应用。课程练习广受好评。
6. UBC 本科生的机器学习课程
课程名称：面向本科生的机器学习课 Machine Learning for Undergraduates
主讲人： Nando de Freitas
授课机构：英属哥伦比亚大学（UBC）
发布平台：Youtube
语言：英语
网址：/playlist?list=PLE6Wd9FR--Ecf_5nCbnSQMHqORpiChfJf
Nando de Freitas 是机器学习领域非常杰出的学者。他的这门课很适合作为吴恩达老师“机器学习”的进阶课程，因为：1. “机器学习”省略掉的一些概念，可以在这门课中找到。2. “机器学习”课 不重视数学，而数学是这门课的重点内容。Nando de Freitas 对诸如概率论、log likelihood 等基础数学原理做了很好的讲解，并以此为基础介绍更高级的数学、统计概念。
对于机器学习新手，完全略过数学细节是很危险的，这门课会帮助你打下基础。
但是，它录制于 2012 &年，时间也比较久了。因此，雷锋网特意奉上彩蛋一枚。
彩蛋：Nando de Freitas 2013 年转入牛津大学任教。这是他
学年在牛津的全套深度学习课程，包括视频、PPT 以及练习：https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/ （视频保存在 Youtube，需翻墙）。
7. Yann Lecun 深度学习公开课
课程名称：深度学习 Deep Learning
主讲人：Yann Lecun
授课机构：法兰西学院
发布平台：法兰西学院官网
语言：法语，英语字幕
网址：https://www.college-de-france.fr/site/en-yann-lecun/course--11h00.htm
Yann Lecun 在 2016 年初于法兰西学院开课，这是其中关于深度学习的 8 堂课。当时是用法语授课，后来加入了英文字幕。
作为人工智能领域大牛和 Facebook AI 实验室（FAIR）的负责人，Yann Lecun 身处业内机器学习研究的最前沿。他曾经公开表示，现有的一些机器学习公开课内容已经有些过时。通过 Yann Lecun 的课程能了解到近几年深度学习研究的最新进展。该系列可作为探索深度学习的进阶课程。
&8. &Geoffrey Hinton &深度学习课程
课程名称：神经网络用于机器学习 Neural Networks For Machine Learning；网易译名“神经网络的机器学习”
主讲人：Geoffrey Hinton
授课机构：多伦多大学
发布平台：Coursera、网易公开课
语言：英语，汉语字幕
网址：https://www.coursera.org/learn/neural-networks，Coursera；
http://c./coursera/courseIntro.htm?cid=77，网易
深度学习必修课程，讲师为该领域的一代宗师 Geoffrey Hinton。
这门课程聚焦于神经网络和深度学习，是深入了解该领域最好的课程之一（雷锋网注：很多人认为可以去掉“之一”）。
课程官方介绍：
“（你会在这门课）学习人工神经网络以及它们如何应用于机器学习，比方说语音、物体识别，图像分割（image segmentation），建模语言、人体运动等等。我们同时强调基础算法，以及对它们成功应用所需的实用技巧 。”
这门课录制于 ，时效性上不如 Yann Lecun 的法兰西学院公开课，建议两者结合。另外，它要求微积分、Python 基础，涉及许多专有名词，对初学者难度较大，需自己查找相关资料。
9. &哥伦比亚大学的机器学习公开课
课程名称：机器学习 Machine Learning
主讲人：John W. Paisley
授课机构：哥伦比亚大学
发布平台：edX
语言：英语
网址：https://www.edx.org/course/machine-learning-columbiax-csmm-102x
在这份大牛云集的榜单中，该课程的主讲者——哥伦比亚大学副教授 John Paisley，只是一名相对普通的青年学者。但是，这门课程将于两天后，也就是&2017 年 1 月 16 日首次开课。这使它成为时下最新的机器学习入门课程。要知道，近一两年来人工智能和机器学习的发展完全可以用“日新月异”来形容——涌现的新方法、新理论，即便是一流专家也有目不暇接之感。换句换说，三、四年前的课程，可能现在有许多内容已经过时了。
这是 Yann LeCun 提醒大家注意学习资源时效性的原因所在。
可惜许多一流的机器学习公开课，距离录制都有些久了。我们知道一堂公开课背后所耗费的巨大人力。因此，对于部分课程在近两三年并没有更新的事实，倒也不能去怪主讲者和平台。但这使得比较新、时效性较强的课程格外可贵。
这门课中，学习者会了解到机器学习的算法、模型和方法，以及它们在现实生活中的应用。
由于是首次开课，尚没有对该课程的反馈。但鉴于哥伦比亚大学的研究、教学实力，课程品质应当值得期待。
10. MIT 进阶课程
课程名称：机器学习 Machine Learning
主讲人：Tommi Jaakkola
授课机构：麻省理工学院（MIT）
发布平台：MIT Opencourseware
语言：英语
网址：https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-867-machine-learning-fall-2006/index.htm
这是一门研究生水平的机器学习课程，难度较高。可惜的是，MIT 并没有提供课程视频，而是以参考书目和课堂笔记的形式，让我们得以一窥该课程的内容。小编认为，这些学习资源的价值仍旧不可估量。因为如此，相比常规公开课，它不会耗费过多时间，非常适合有一定基础的学习者印证自己所学。
这就是雷锋网(公众号：雷锋网)为您盘点的十大最有价值的机器学习入门公开课。这些课程有浅有深，分别对机器学习不同领域、方面有所侧重。各位童鞋可根据自己所需，自行选择最适合自己的课程。不过，小编必须提醒各位，所有盘点都不可避免得掺杂了主观因素。虽然雷锋网已尽力按照课程质量与业内人士的评价来制定该推荐榜，但自知无法做到十足的公正客观。比方说，该榜单倾向于机器学习的“入门”，而非开发者进阶；倾向于概念、算法学习，而非实战技巧（比如 Python
教程）；倾向于把全世界范围内最好的课程推荐给诸君，而对英语基础较差的学习者照顾不足。榜单之外尚有许多有价值、适应不同层次人士需求的公开课。因此，雷锋网特意列举了几个比较好的系统性机器学习课程以及学习平台，弥补该榜单不足，以供参考。
友情提醒，以下包含收费课程。
系统性课程：
优达学城（Udacity）提供的的 “机器学习工程师”纳米学位，中文字幕，谷歌、滴滴参与授课，收费。
/course/machine-learning-engineer-nanodegree--nd009
华盛顿大学的“机器学习专业”系列课程，Coursera 平台，收费，共六门课。
https://www.coursera.org/specializations/machine-learning
约翰·霍普金斯大学的“数据科学专业”系列课程，Coursera 平台，收费，共十门课。
密歇根大学的“Python 的应用数据科学专业”系列课程，Coursera 平台，收费，共五门课。适合需要学习 Python 实战技巧的机器学习开发者。
https://www.coursera.org/specializations/data-science-python
平台推荐：
国外的 Coursera、edX、优达学城（Udacity）、Udemy；国内的网易公开课、七月在线都集中了相对优质的学习资源。当然，英语不错的童鞋推荐国外学习网站，尤其它们的问答论坛非常有帮助。
对于英语基础不是那么好的童鞋，Coursera 和优达学城很重视中国市场，它们的大部分机器学习资源都添加了汉语字幕。对于 edX 和可汗学院的部分课程，网易公开课有字幕翻译。
对于需要在数学、统计方面补课的童鞋，除了以上几个平台之外，强烈推荐可汗学院 Khan Academy， 它的数学课非常有名，连比尔·盖茨都推荐给他子女，很适合从零起步打基础。
另外，雷锋网旗下 “AI 科技评论”会定期举办“硬创公开课”，邀请业内专家对机器学习热点问题进行深度讨论，并问答 AI 科技评论读者的问题 。上期，我们就请来新加坡国立大学的冯佳时教授剖析了 GANs （生成对抗网络）。更多信息请关注 AI 科技评论微信公众号。
相关文章：
雷锋网原创文章，未经授权禁止转载。详情见。
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：20124次
排名：千里之外
原创：10篇
转载：44篇
(3)(7)(5)(6)(2)(2)(3)(8)(4)(1)(7)(6)版主: , , , , , ,
如果希望把正在上的课添加到下方日历中显示，请email: @，添加你到日历管理人当中。
发帖时若没有针对具体某课程or学校，请将学校名or课程名设置为“MOOC”
注意：结课后发帖并勿每周发帖，仅发汇总贴并把所有内容放到汇总贴即可
& && && &非工程类课程3-4Week加一学分
请每周发了“进度贴/讨论帖”后及时把链接附到“新课召集/汇总贴”中（参考），请坚持跟完课程，不要半途而废，谢谢！任何问题可到询问
欢迎上完课的同学到介绍你上过的公开课
本版块所有往期课程汇总贴，请查看专贴
发帖跟帖前请阅读，避免不必要的学分、大米损失。
最新课程请查看板块置顶帖，请勿重复发帖
版主没及时加分？帖子需要置顶？请点专贴
* 技术讨论/FAQ *:& & |
| 编码管理
* 请大家共同完善各topic学习资源 *:& & |
341 / 7641
昨天&14:17
201 / 3358
136 / 1499
141 / 1922
- [阅读权限 80]
所属分类: 学习+工作
一亩三分地推荐 /5
地主Warald亲手做你的申请，针对你的背景和目标，考虑申请、学习、就业、移民等系列问题，制定申请策略。
“offer”指全额奖学金，免学费全免+每月工资，Berkeley, CMU, JHU, UIUC, Gatech, UMich, UCLA, Columbia，欢迎观赏。
电子工程、计算机、统计、金数金工、化工等, Stanford, Berkeley, CMU, Cornell, Yale, Columbia, Chicago, Duke, UPenn, UIUC, Brown, UMich, JHU等
有留学、申请、找工、职业规划上的难题？先上论坛提问！
论坛考古也帮不上忙，发帖得到的回答仍然不够？电话找Warald来解答！
WARALD新书上市啦：《你不知道的美国留学》清华大学出版社，各大电商发售
Powered by斯坦福大学机器学习课程个人笔记完整版_图文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
斯坦福大学机器学习课程个人笔记完整版
高级工程师|
总评分4.1|
浏览量116991
用知识赚钱
&&斯坦福大学机器学习课程个人笔记完整版
阅读已结束，下载文档到电脑
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，方便使用
还剩134页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢